Name: Medical Image Learning with Limited and Noisy Data: First International Workshop, Milland 2022, Held in Conjunction with Miccai 2022, Singapore, Septe (en Inglés)
SKU: 57593985
Price: 59810.00 CLP
Availability: InStock
Author: Zamzmi, Ghada ; Antani, Sameer ; Bagci, Ulas
ISBN: 9783031167591

portada Medical Image Learning with Limited and Noisy Data: First International Workshop, Milland 2022, Held in Conjunction with Miccai 2022, Singapore, Septe (en Inglés)

Medical Image Learning with Limited and Noisy Data: First International Workshop, Milland 2022, Held in Conjunction with Miccai 2022, Singapore, Septe (en Inglés)

Formato

Libro Físico

Editorial

Springer

Autor

Zamzmi, Ghada ; Antani, Sameer ; Bagci, Ulas

Idioma

Inglés

N° páginas

240

Encuadernación

Tapa Blanda

Dimensiones

23.4x15.6x1.3 cm

Peso

0.36 kg.

ISBN13

9783031167591

Categorías

Reconocimiento de formas
Visión por ordenador
Procesamiento de imágenes

Medical Image Learning with Limited and Noisy Data: First International Workshop, Milland 2022, Held in Conjunction with Miccai 2022, Singapore, Septe (en Inglés)

Zamzmi, Ghada ; Antani, Sameer ; Bagci, Ulas (Autor) · Springer · Tapa Blanda

Libro Nuevo Importado

Envío: 16 a 21 días háb.

$ 108.750$ 59.810

-45%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan más de 100 unidades

$ 59.810

Llega entre el 13 Oct y el 20 Oct a Santiago, Región Metropolitana. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Medical Image Learning with Limited and Noisy Data: First International Workshop, Milland 2022, Held in Conjunction with Miccai 2022, Singapore, Septe (en Inglés)"

This book constitutes the proceedings of the First Workshop on Medical Image Learning with Limited and Noisy Data, MILLanD 2022, held in conjunction with MICCAI 2022. The conference was held in Singapore. For this workshop, 22 papers from 54 submissions were accepted for publication. They selected papers focus on the challenges and limitations of current deep learning methods applied to limited and noisy medical data and present new methods for training models using such imperfect data.